Upgrade to Pro — share decks privately, control downloads, hide ads and more …

AI カメラや WiFi, beacon 行動分析、 ぶっちゃけどうなの? 利用者が語るリアル...

AI カメラや WiFi, beacon 行動分析、 ぶっちゃけどうなの? 利用者が語るリアル店舗におけるデータ活用入門 / An introduction to using data in real stores as told by users

Yappli社主宰 #リテールテックOnline2020 #RetailTech
2020-03-04 (Wed.)
Presented by @mizuki_takenobu COUNTERWORKS Inc.
https://twitter.com/mizuki_takenobu

- お題目やhowが先行しがちな、オフライン行動分析、ぶっちゃけどうなの?
- AIカメラの仕組み・メリットと課題は何?
- Beacon分析の仕組み・メリットと課題は何?
- WiFi分析の仕組み・メリットと課題は何?

と言う話を、利用者 兼 アナリストの目線でお話しています

Mizuki Takenobu

March 04, 2020
Tweet

More Decks by Mizuki Takenobu

Other Decks in Business

Transcript

  1. 2018年〜 COUNTERWORKS Inc. ▶体験型ストアadpt (業委)⽴ち上げ︓BizDev, 開発PM, Analyst, 店⻑ ▶adptOS ProductOwner,

    Analyst ⼤学1年の春に⼦供を授かり結婚し、家族を養うために働き始める。 複数社で⼈材営業、インハウスSEO、オンライン広告の運⽤改善をそれぞれ経験。 その後、COUNTERWORKS 創業時に参画し、ビジネス開発全般を⾏う。 ⽵信 瑞基(たけのぶ みずき) adptOS Data Analyst | たまにBizDev, 店⻑ ⼤学 新卒 現職 2016年〜2019年 Recruit Holdings Co., Ltd. ▶タウンワーク App PM (iOS / Android) ▶タウンワーク&FromAnavi App Product Owner (iOS / Android) ▶バイト・中途・派遣領域 (JP) Lead Analyst @mizuki_takenobu mizuki.takenobu
  2. 会社紹介 - COUNTERWORKS Inc. 商業不動産・⼩売領域のDXを促す事業を展開。 主に「リアル店舗を開きやすく、改善しやすくする」サービスを開発・展開。 スペースオーナー (貸したい⽅) テナント (借りたい⽅)

    出店 ・ 運営 ポップアップストア・短期利⽤に特化したスペースの オンラインマーケットプレイス 商業施設・店舗の収益改善をサポートする データプラットフォーム D2Cを中⼼とした オンラインブランドのための 出店⽀援サービス 9,000社+ 1,200スペース +
  3. 今⽇のお話 AI カメラや WiFi, beacon ⾏動分析、 ぶっちゃけどうなの︖ 利⽤者が語るリアル店舗におけるデータ活⽤⼊⾨ 1. リアル店舗でどうデータ活⽤したら

    来店するお客さまや収益が増えるのか︖ 2. たくさんあるサービスの中で、 どんなジャンルの何があって、 気をつけるべきポイントは︖
  4. adpt店⻑をやって個⼈的に感じた、リアル店舗の現状 費⽤ 売上 利益 コスト リターン 投資原資 上がる店舗経営難度 都⼼部を中⼼に 地価・⼈件費・物流費増と

    固定費が⾼まり続けている どう⼈を呼び お買い求め頂くかがより重要に ECでブランドが増え、 SNSでもアイテムと出会える中 リアル店舗の集客⼒が減少 利益 利益率・額共に 圧迫される事態。
  5. 現時点で考えている、現実的な改善の⽅向性 費⽤ 売上 利益 コスト リターン 投資原資 抑制と投資の見極め 人口が集約する商圏ほど コスト増の流れは不可逆。

    投資配分を見直しつつ、 集客・買上を上げる再現性 を高めるモノへ投資。 オンラインとオフラインで 商圏シェアを拡⼤ オフラインは商圏と継続接点に、 オンラインは体験の⽴体性に 限界があり、相互作⽤で拡⼤。 トップラインで 利益を伸ばす (しかない。)
  6. 「良いモノを、広く届ける」流通改善に、分析ではどのように寄与できそうか︖ 早期の現状・課題把握で 店舗改善⼟壌を作る 時間経過ごとにコストがかかる分、 早期に現状・課題を把握して、 対策を打つ必要がある。 店舗経営・改善指標をより明確にし、 スタッフが問題に気付きやすい形で 提供できればクイックに店舗改善が ⾏える⼟壌を作る。

    店舗内の⾏動ログを使った リアル店舗収益の改善 ⼊店率や買上率の状況がわかっても、 課題の要因がわからなかったり、 改善してみた結果がわからない。 店舗⾏動からVMD, レイアウト, スタッフ待機位置, 接客など ⼊店・買上率に影響のある要素を 改善することで店舗収益を改善し、 パターンが⾒えれば標準化もできる。 店内行動ログを使った オンラインでの購買率も改善 店内での試着商品データや、 商品詳細を店舗QR/NFC経由で 閲覧した際などのデータを取得。 店内行動をデータポイントに、 サイト内のレコメンドやCRMで 活用して購買率・LTV改善に。
  7. 早期の現状・課題把握で店舗改善⼟壌を作る︓よくお伺いする課題例 ⽬標数値 わかっている現状数値 次の打ち⼿ 売上 ¥3,600,000 レジ客数 540⼈/⽉ 客単価 ¥5,000

    売上 ¥2,700,000 × = ⓪⽬標を維持する為に 客単価 ¥4,000 = レジ客数 900⼈/⽉ ①客単価を下げて x0.8 × ②レジ客上げる x1.7
  8. 早期の現状・課題把握で店舗改善⼟壌を作る︓よくお伺いする課題例 ⽬標数値 わかっている現状数値 次の打ち⼿ 売上 ¥3,600,000 レジ客数 540⼈/⽉ 客単価 ¥5,000

    売上 ¥2,700,000 × = ⓪⽬標を維持する為に 客単価 ¥4,000 = レジ客数 900⼈/⽉ ①客単価を下げて x0.8 × ②レジ客上げる x1.7 客数または買上率の ⽚⽅を維持したまま ⽚⽅を1.7倍にできれば これは成⽴する ↓ この修正⽅針が現実的か 客観的に評価できない
  9. 早期の現状・課題把握で店舗改善⼟壌を作る︓よくお伺いする課題例 ⽬標数値 わかっている現状数値 次の打ち⼿ 売上 ¥3,600,000 レジ客数 540⼈/⽉ 客単価 ¥5,000

    売上 ¥2,700,000 × = 客単価 ¥4,000 = レジ客数 900⼈/⽉ × 客数または買上率の ⽚⽅を維持したまま ⽚⽅を1.7倍にできれば これは成⽴する ↓ この修正⽅針が現実的か 客観的に評価できない 客数を増やすべきか 買上率を上げるべきか ボトルネックも不明で 優先度をつけられない。 ↓ 原資がないと「接客」や 「レイアウト微修正」で 買上率をどうにか改善... ⓪⽬標を維持する為に ①客単価を下げて x0.8 ②レジ客上げる x1.7
  10. 早期の現状・課題把握で店舗改善⼟壌を作る︓よくお伺いする課題例 ⽬標数値 わかっている現状数値 次の打ち⼿ 売上 ¥3,600,000 レジ客数 540⼈/⽉ 客単価 ¥5,000

    売上 ¥2,700,000 × = 客単価 ¥4,000 = レジ客数 900⼈/⽉ × 客数または買上率の ⽚⽅を維持したまま ⽚⽅を1.7倍にできれば これは成⽴する ↓ この修正⽅針が現実的か 客観的に評価できない 客数を増やすべきか 買上率を上げるべきか ボトルネックも不明で 優先度をつけられない。 ↓ 原資がないと「接客」や 「レイアウト微修正」で 買上率をどうにか改善... スタッフが個々に頑張っても 変化に対して再現性があるかわからず 施策効果かも評価できない ⓪⽬標を維持する為に ①客単価を下げて x0.8 ②レジ客上げる x1.7
  11. 早期の現状把握とクイックな店舗改善⽀援︓商圏ターゲット⼈⼝を固定で与え、⼊店数を計測したとする 店舗前通⾏のべ客数 180,000⼈ 来店客数 6,000⼈/⽉ レジ客数 900⼈/⽉ 客単価 ¥4,000 売上

    ¥3,600,000 ⽬標 × = 2% 15% 店舗前通⾏のべ客数 180,000⼈ 来店客数 3,600⼈/⽉ レジ客数 540⼈/⽉ 客単価 ¥5,000 売上 ¥2,700,000 現状 × = 1.2% 15% ▲¥900,000 アクション ターゲット客数 300,000⼈ ターゲット客数 300,000⼈
  12. 早期の現状把握とクイックな店舗改善⽀援︓何が起きるか 店舗前通⾏のべ客数 180,000⼈ 来店客数 6,000⼈/⽉ レジ客数 900⼈/⽉ 客単価 ¥4,000 売上

    ¥3,600,000 ⽬標 × = 2% 15% 店舗前通⾏のべ客数 180,000⼈ 来店客数 3,600⼈/⽉ レジ客数 540⼈/⽉ 客単価 ¥5,000 売上 ¥2,700,000 現状 × = 1.2% 15% ▲¥900,000 アクション ターゲット客数 300,000⼈ ターゲット客数 300,000⼈ 課題が 明確に わかる
  13. 早期の現状把握とクイックな店舗改善⽀援︓何が起きるか 店舗前通⾏のべ客数 180,000⼈ 来店客数 6,000⼈/⽉ レジ客数 900⼈/⽉ 客単価 ¥4,000 売上

    ¥3,600,000 ⽬標 × = 2% 15% 店舗前通⾏のべ客数 180,000⼈ 来店客数 3,600⼈/⽉ レジ客数 540⼈/⽉ 客単価 ¥5,000 売上 ¥2,700,000 現状 × = 1.2% 15% ▲¥900,000 アクション ターゲット客数 300,000⼈ ターゲット客数 300,000⼈ 課題が 明確に わかる ⽅針と⽬標値がわかる 1. 買上率を維持で 来店客数を +80⼈/⽇ (+2,400⼈/⽉) 2. 客数維持で 客単価を +¥1,667(¥6,667) 3. 客単価を維持で レジ客数を +6⼈/⽇ (720⼈/⽉) 4. 客単価を20%下げて(¥4,000) レジ客数を +12⼈/⽇ (+360⼈/⽉)
  14. 「良いモノを、広く届ける」流通改善に、分析ではどのように寄与できそうか︖ 早期の現状・課題把握と クイックな店舗改善が可能に 時間経過ごとにコストがかかる分、 早期に現状・課題を把握して、 対策を打つ必要がある。 店舗経営・改善指標をより明確にし、 スタッフが問題に気付きやすい形で 提供できればクイックに店舗改善が ⾏える状態に。

    店舗内の⾏動ログを使った リアル店舗収益の改善 ⼊店率や買上率の状況がわかっても、 課題の要因がわからなかったり、 改善してみた結果がわからない。 店舗⾏動からVMD, レイアウト, スタッフ待機位置, 接客など ⼊店・買上率に影響のある要素を 改善することで店舗収益を改善し、 パターンが⾒えれば標準化もできる。 店内⾏動ログを使った オンラインでの購買率も改善 店内での試着商品データや、 商品詳細を店舗QR/NFC経由で 閲覧した際などのデータを取得。 店内⾏動をデータポイントに、 サイト内のレコメンドやCRMで 活⽤して購買率・LTV改善に。 フリクションの少ない ユーザー体験設計が肝になる。
  15. 店舗内の⾏動ログを使ったリアル店舗収益の改善︓データと理想が⾒えると、思考の視点が広がる 店舗前通⾏のべ客数 180,000⼈ 来店客数 6,000⼈/⽉ レジ客数 900⼈/⽉ 客単価 ¥4,000 売上

    ¥3,600,000 ⽬標 × = 2% 15% 店舗前通⾏のべ客数 180,000⼈ 来店客数 3,600⼈/⽉ レジ客数 540⼈/⽉ 客単価 ¥5,000 売上 ¥2,700,000 現状 × = 1.2% 15% アクション例 ターゲット客数 300,000⼈ ターゲット客数 300,000⼈ 1. 買上率を維持で 来店客数を +80⼈/⽇ (+2,400⼈/⽉) 2. レジ客数維持で 客単価を +¥1,667(¥6,667) 3. 客単価を維持で レジ客数を +6⼈/⽇ (+180⼈/⽉) 4. 客単価を20%下げて(¥4,000) レジ客数を +12⼈/⽇ (+360⼈/⽉) 事業者都合の 数字としてはこうである⼀⽅で... お客さまにどうアプローチしたら 振り向いていただけるか︖
  16. 店舗内の⾏動ログを使ったリアル店舗収益の改善︓データと理想が⾒えると、思考の視点が広がる 何をどういう意図で プレゼンテーションしているか︖ 店外からみたお店のビジュアルコンセプト、VP、レイアウトは、 どういう⽅に、何を⾒ていただきやすく・お買い求めいただきやすい意図があるか。 コーヒー提供、BGMなど、ゆったり過ごしやすい環境を作れているか。 店内のお客さまの動きとして ⼊店が憚られていないか︖ どこに⼈が集まり、 どのくらい店内に滞在されている︖

    フリーのお客さまが⼊りやすい環境かを⼊店率(⼊店数 / 店外通⾏量)で、 主要動線と⼈が集まる箇所・滞留する箇所をヒートマップ などで⾒て、 ⼈流から⼈が通りやすい場所はどこか、滞留から何を⾒にこられている⽅が多いのか 消費者の⽅がそのお店を⾒て⼊って、どう動きやすく、何に興味を持たれているかを データから理解する。
  17. 店舗内の⾏動ログを使ったリアル店舗収益の改善︓データと理想が⾒えると、思考の視点が広がる 何をどういう意図で プレゼンテーションしているか︖ 店外からみたお店のビジュアルコンセプト、VP、レイアウトは、 どういう⽅に、何を⾒ていただきやすく・お買い求めいただきやすい意図があるか。 コーヒー提供、BGMなど、ゆったり過ごしやすい環境を作れているか。 結果、何を買われているか︖ 店内⾏動と照らし合わせると︖ 興味と購⼊の4象限で⽐較すると 「売りのばすポテンシャルがあるアイテム」が⾒えてくる。

    また、併売状況と棚の位置を⾒て、棚の位置が遠いが併売率が⾼いアイテムは どう提案して同じ棚におくとクロスセルがハマるかが⾒えてくる。 店内のお客さまの動きとして ⼊店が憚られていないか︖ どこに⼈が集まり、 どのくらい店内に滞在されている︖ フリーのお客さまが⼊りやすい環境かを⼊店率(⼊店数 / 店外通⾏量)で、 主要動線と⼈が集まる箇所・滞留する箇所をヒートマップ などで⾒て、 ⼈流から⼈が通りやすい場所はどこか、滞留から何を⾒にこられている⽅が多いのか 消費者の⽅がそのお店を⾒て⼊って、どう動きやすく、 店内のどういうアイテムに興味を持たれているかを、データから理解する。
  18. 店舗内の⾏動ログを使ったリアル店舗収益の改善︓データと理想が⾒えると、思考の視点が広がる 興味(滞留) 多い 少ない 購⼊点数 多い 購⼊点数 少ない ⼈気ゾーン 他の商品とのクロスセル状況を⾒て

    よりお客さまにお買い求めいただけるように ⼯夫を凝らせるゾーン。 ポテンシャルゾーン ⼈流が少ない場所に位置してここにあり、 指名買いアイテムではない場合は、 前出しするとより売れる可能性があるアイテムが なむっている可能性が⾼いゾーン。 検証ゾーン ⼈流が少ない場所に位置してここにあり、 ⼈気・ポテンシャルゾーンのアイテムがもつ 特徴を持つアイテムは前出しするなどの 検証ができるゾーン 位置転換ゾーン 多くの⼈が検討されるのに あまり購⼊されない場合は ⼈気アイテムとの⽐較対象として残すか、 位置転換して間引くか検討できるゾーン。
  19. 店舗内の⾏動ログを使ったリアル店舗収益の改善︓レイアウトに⽌まらず、スタッフの⾏動の標準化にも 店舗前通⾏のべ客数 180,000⼈ 来店客数 6,000⼈/⽉ レジ客数 900⼈/⽉ 客単価 ¥4,000 売上

    ¥3,600,000 ⽬標 × = 2% 15% 店舗前通⾏のべ客数 180,000⼈ 来店客数 3,600⼈/⽉ レジ客数 540⼈/⽉ 客単価 ¥5,000 売上 ¥2,700,000 現状 × = 1.2% 15% ターゲット客数 300,000⼈ ターゲット客数 300,000⼈ スタッフの位置を⼊⼝付近から xxxにすることで ⼊店率がx%改善し、 xx⼈/⽇の⼊店が増えた。 スタッフの接客場所が この辺りの⽅が買上率がx%⾼く 平均顧客単価もx%⾼い。 スタッフの⾏動とも連動し 接客スタイルの 標準化も⾏える
  20. 「良いモノを、広く届ける」流通改善に、分析はどのように寄与できそうか︖ 早期の現状・課題把握と クイックな店舗改善⽀援 時間経過ごとにコストがかかる分、 早期に現状・課題を把握して、 対策を打つ必要がある。 店舗経営・改善指標をより明確にし、 スタッフが問題に気付きやすい形で 提供できればクイックに店舗改善が ⾏える状態に。

    店舗内の⾏動ログを使った リアル店舗収益の改善 ⼊店率や買上率の状況がわかっても、 課題の要因がわからなかったり、 改善してみた結果がわからない。 店舗⾏動からVMD, レイアウト, スタッフ待機位置, 接客など ⼊店・買上率に影響のある要素を 改善することで店舗収益を改善し、 パターンが⾒えれば標準化もできる。 店内⾏動ログを使った オンラインでの購買率も改善 店内での試着商品データや、 商品詳細を店舗QR/NFC経由で 閲覧した際などのデータを取得。 店内⾏動をデータポイントに、 サイト内のレコメンドやCRMで 活⽤して購買率・LTV改善に。 フリクションの少ない ユーザー体験設計が肝になる。
  21. まとめ︓分析は効率改善の⼿段にすぎず、AI* で処理されたデータを⼈がどう利益にするかが重要 ˔ ⼿段「センシング」で「データ」が得られる。 =⽬標に対して課題となる事柄が「なぜ起きているか」という因果の解釈に必要な情報を、 事実として複数⼈が共通で理解・把握でき、 「どう対策したら解消できそうか」という施策の実⾏速度・成功確率が上がりやすくなる利点。 ˔ 現時点で、リアル店舗におけるAI はデータ取得・処理を効率的に⾏う技術にすぎず、

    データを元に、利益を上げる考察・アクションは⼈の⼿による改善サイクルが必要不可⽋。 ˓ 導⼊者側でデータを⾒た上で、より消費者の⽅にとって良い商品を、 より店舗環境で届けるという運⽤がされて、初めて活かされるものという前提が マインドセットとして求められています。 ˓ 参考)購⼊までの⾏動が全てデータになり、⼊店者ごとに表⽰内容・レコメンドなどを変えられるオンラインストアでは、 AIによる「半⾃動的な」売上改善が⾒込めますが、リアル店舗だと上記の特徴がなく、⼈による運⽤はより必要となります。 * 本義的には⼈⼯知能を差しますが、⽇本では「ソフトウェアの条件分岐」すらそう呼ばれるため、ここでは敢えて「裏側の⾒えないデータ処理部分全般」とします。
  22. 属性推定 カメラ 広域 100m~ 商圏分析 狭域 数cm~ 店内特定地 買い切り ⽉額

    低 ⾼ 通信会社 基地局データ ⼊店取得 カメラ QR NFC 1~2m ⼊店取得 カメラ 3~5m WiFi Beacon リピート推定 カメラ 1万~ 3万~ 5万~ 店内全て 導線分析カメラ・ ToFセンサ 10万~
  23. 属性推定 カメラ 広域 100m~ 商圏分析 狭域 数cm~ 店内特定地 買い切り ⽉額

    低 ⾼ 通信会社 基地局データ ⼈数計測 カメラ QR NFC 1~2m ⼈数計測 カメラ 3~5m WiFi Beacon リピート推定 カメラ 1万~ 3万~ 5万~ 店内全て 10万~ 導線分析カメラ・ ToFセンサ
  24. 属性推定 カメラ 広域 100m~ 商圏分析 狭域 数cm~ 店内特定地 買い切り ⽉額

    低 ⾼ 通信会社 基地局データ ⼈数計測 カメラ QR NFC 1~2m ⼈数計測 カメラ 3~5m WiFi Beacon リピート推定 カメラ 1万~ 3万~ 5万~ 店内全て 10万~ 導線分析カメラ・ ToFセンサ
  25. 選定・確認ポイント - ⼈数計測カメラ • 特定の位置にいる⼈の数をカウントし、その場に留まっている時間も計測します。 店舗外通⾏量・⼊店数や、⼊⼝棚など、複数の場所の数値を1つのカメラで計測できる種類のものが コストパフォーマンスがよくおすすめです。 • 「顔」は画⾓によって著しく⼈の検知率が低くなるので、 「上体」または「線・ゾーン」で正確に計測ができるサービスをお勧めします。

    • 「買い切り」と「サブスク」がありますが、 ◦ ⾃社でカメラデータをサーバへ送ることができる場合は「買い切り」で良さそうです。 1台あたり売値で約 20 万円程度ですが、ボリュームディスカウントが効きます。 ◦ そうでない場合は、「サブスク」のダッシュボードを活⽤する形になりますが、 「台数あたり課⾦」が⼤きくなるのが難点。 • 「上体」の場合も、「線・ゾーン」より途切れることがありますので、 実数を⼿集計して、システム集計と⽐較いただき、問題がある場合、調整いただけるか、 事前に確認しておいても良さそうです。
  26. 選定・確認ポイント - 属性推定カメラ • 推定結果は「性別・性別」「⾝⻑」などで、 ◦ 男⼥⽐・年代⽐が⼤きく変わらないのであれば、 店舗スタッフの⽅がMDとフィットしているか定性的な確認でも⼗分かもしれません。 ◦ 複数の⽅向けのMDを有していたり、店内で様々な⽅向けのポップアップなどを⾏うなど、

    店内に様々な属性の⽅が来られる構成の場合は、あるとMDと属性のフィット具合が図れます。 • 「顔」や「上体」で推定を⾏いますが、前述の通り、⼈の検知率が画⾓とロジックで変わります。 ◦ 50%しか検知してなかったとして、その検知した⼈たちに偏りがあると、 推定結果の分布・⾒⽅も変わるので、どのくらい検知できているか確認した⽅が良いです。 • 属性推定精度も事前にデモでどの程度の属性の推定精度なのか確認して、 その精度が信頼できそうか事前に確認してから契約を結ぶことをお勧めします。 ◦ 推定系は契約上、「精度保証をしない」「年間契約が多く途中解約・返⾦なし」が多い為 計測後に信⽤できないデータとなってもお⾦を払い続ける必要が出ます。 ◦ 外資系ベンダーだと、アジア⼈の年齢が若く出るなど、 学習内容に応じて、結果が変化するので事前チェックは肝⼼です。
  27. • 「店舗のリピート率, 再訪状況を推定するもの」で、個客の特定はしない前提で設計されています。 個客のフォローアップに使いたい際は、事前許諾を取った上で顔認証を推奨します。 • 「顔」で推定を⾏いますが、前述の通り、⼈の検知率が画⾓とロジックで変わります。 ◦ 50%しか検知してなかったとして、その検知した⼈たちに偏りがあると、 リピート率の分布・⾒⽅も変わるので、どのくらい検知できているか確認した⽅が良いです。 •

    属性推定同様、事前にデモでどの程度の属性の推定精度なのか確認して、 その精度が信頼できそうか確認してから契約を結ぶことをお勧めします。(属性推定より⾼い。) ◦ 推定系は契約上、「精度保証をしない」「年間契約が多く途中解約・返⾦なし」が多い為 計測後に信⽤できないデータとなってもお⾦を払い続ける必要が出ます。 ◦ マスク、髪型でリピート判定できないこともあるので、どこまでケアできるか デモ検証させてもらうことで事前に精度検証した⽅が良さそうです。 • カメラ利活⽤ガイドブック上で、リピート計測の保存期間を明⽰することが推奨されており、 ベンダーにリピート判定される保存期間を質問しておくとリピート期間限界が分かります。 選定・確認ポイント - リピート推定カメラ
  28. 選定・確認ポイント - 導線分析カメラ・ToFセンサー • 店内でのお客様の⾏動を全て補⾜でき、⼈流・滞留の強弱が分かります。 またスタッフなどの動きも把握でき、接客などのイベントも特定可能です。 • カメラの場合は、上体の動画データを仮想的につなぎ合わせて、導線を作る仕組みで、 ToFセンサーはレーザーによる光の反射により、画⾓内の物体・⼈間の動きを⽴体的に取得しています •

    天井⾼が低いほど、カメラやToFセンサーの取得領域は狭まり、 店内の広さが広いほど、カメラの設置台数が増えるため、 天井⾼・図⾯は事前共有した上で、台数と⾒積もりを先にもらっておくと 店舗での収⽀が合うか検討できるのでおすすめです。 ◦ 店舗が広すぎるなど、収⽀が合わない場合、主要導線を特定した上で、 ⼈数計測カメラで点のデータを取るだけでも⼗分、機能します。 ◦ ToFセンサーは⼈数計測だけでも使えます。 • カメラもToFも障害物に弱く、設置位置を調整する必要が出る恐れがあります。 • ToFは店内にサーバーを設置する必要が多く、留意ポイントとして上がります。
  29. 属性推定 カメラ 広域 100m~ 商圏分析 狭域 数cm~ 店内特定地 買い切り ⽉額

    低 高 通信会社 基地局データ ⼊店取得 カメラ QR NFC 1~2m ⼊店取得 カメラ 3~5m WiFi Beacon リピート推定 カメラ 1万~ 3万~ 5万~ 店内全て 導線分析 カメラ・⾚外線 10万~
  30. WiFiの取得の課題 Probe Requestには3つの課題があり、 1. いつProbe Requestを送るかはOSが制御しており、 Sleep状態など通信が発⽣しない状態ほど、 リクエストを送る頻度は下がる。 2. Requestを送る際にMacアドレスを送るが、

    過去に接続済ではない限り、iOS/Android共に ランダムなMacアドレスを送るため、 リピート率は正確に取得できない。 3. 店舗にあるiPadなどWiFiにつながる端末も反応してしまう 端末に依存する問題のため、 来店者に対して正確な取得率がわかりづらい。 Probe Request
  31. • 技術的な課題は個々にあり、これを知った上でベンダーの⽅々と接した⽅が 適切な導⼊へとつなげることができる。 • 「平均滞在時間」「推定属性の割合」などの統計量は、 その収集状態を正確に把握しないと、正しいデータになっていないことが多く、 ここは選定時点でしっかりベンダーの説明を求める部分となっている。 ◦ WiFiあるある ▪

    店内のiPadのデータが含まれていて、店内滞在時間が過剰に⻑くなる ▪ 設置位置の電波⼲渉度が⾼く、適切に店内に電波が⾏き届かない結果、 店内の滞在時間が正確に計測されていない状態に ◦ カメラあるある ▪ 画⾓調整がしっかりできていない結果、通⾏量の数%程度しか取得できておらず、 属性分布の偏りが実態と⼤きく乖離している。 カメラ・WiFi何れにしても...